Identifikationssystem für vermisste Kinder unter Verwendung von Deep Learning und Multiclass SVM

In Indien wird jedes Jahr eine unzählige Anzahl von Kindern als vermisst gemeldet. Bei den vermissten Kinderfällen bleibt ein großer Prozentsatz der Kinder unauffindbar. Dieses Papier stellt eine neuartige Verwendung von Deep Learning-Methoden zur Identifizierung des gemeldeten vermissten Kindes aus den Fotos einer Vielzahl von Kindern vor, mithilfe von Gesichtserkennung. Die Öffentlichkeit kann Fotos von verdächtigen Kindern in ein gemeinsames Portal mit Landmarken und Anmerkungen hochladen. Das Foto wird automatisch mit den registrierten Fotos des vermissten Kindes aus dem Repository verglichen. Die Klassifizierung des Eingabebildes des Kindes wird durchgeführt und das Foto mit der besten Übereinstimmung wird aus der Datenbank der vermissten Kinder ausgewählt. Zu diesem Zweck wird ein Deep Learning-Modell trainiert, um das vermisste Kind korrekt aus der bereitgestellten Datenbank der vermissten Kinderbilder zu identifizieren, unter Verwendung des vom Publikum hochgeladenen Gesichtsbildes. Das Convolutional Neural Network (CNN), eine hochwirksame Deep Learning-Technik für bildbasierte Anwendungen, wird hier für die Gesichtserkennung verwendet. Gesichtsbeschreibungsmerkmale werden aus den Bildern unter Verwendung eines vortrainierten CNN-Modells der tiefen Architektur VGG-Face extrahiert. Im Vergleich zu normalen Deep Learning-Anwendungen verwendet unser Algorithmus das Konvolutionsnetzwerk nur als hochrangigen Merkmalsextraktor, und die Kindererkennung erfolgt durch den trainierten SVM-Klassifizierer. Die Wahl des besten CNN-Modells für die Gesichtserkennung, VGG-Face, und das ordnungsgemäße Training davon führen zu einem Deep Learning-Modell, das gegen Rauschen, Beleuchtung, Kontrast, okklusion, Bildpose und das Alter des Kindes invariant ist und es übertrifft frühere Methoden zur Gesichtserkennung basierten Identifizierung von vermissten Kindern. Die erreichte Klassifizierungsleistung für das Kinderidentifikationssystem beträgt 99,41 %. Es wurde an 43 Kinderfällen evaluiert.